简介：《精细化智能配煤系统的开发及应用》是一份关于焦化行业智能配煤技术的专业文献，适合焦化企业技术人员、配煤系统开发工程师及工业智能化研究者参考。该 PDF 系统阐述了精细化智能配煤系统的完整架构，涵盖智能决策优化配煤、煤场管理、煤焦数据库和用户界面管理四大模块，并结合工业示范应用与试验焦炉数据验证了降本提质效果。包内仅含 1 个 PDF 文档，压缩包约 656KB，体量精简、内容聚焦。资源具体提供了单种煤煤质分析、40kg 焦炉试验数据、基于多约束条件的配煤优化计算思路，以及专家系统、预测模型在配煤中的应用逻辑，可帮助读者了解配煤系统从数据采集、模型构建到生产落地的全链路方法。目前已有 76 人浏览学习，适合作为相关课题研发或课程设计的参考资料。
1. 精细化智能配煤系统：为什么这是一条值得认真投入的开发路线
火电厂的燃料成本通常占生产成本的六到七成，配煤方案差出一个百分点的热值偏差，一个月就是几十万量级的出入。我见过不少企业嘴上挂着“智能配煤系统开发”，现场却还在用Excel对煤质数据做加权平均：煤种一多就乱，约束一多就靠配煤师拍脑袋。真正的精细化配煤系统，核心不是堆算法，而是把“煤质化验数据→约束建模→优化求解→结果校验→现场执行”这条链路每一步做扎实。这篇文章适合正在做配煤系统选型的技术负责人、刚接手优化模块的开发工程师，以及被约束条件和参数反复折腾的现场工艺人员。
2. 配煤问题的数学化：从煤质指标到优化目标函数
配煤优化的本质是一个带约束的最优化问题。煤场里堆着十几到几十种煤，每种煤都有一组煤质化验数据，我们要从这些煤里选出几种、按什么比例混合，使得混煤满足锅炉或焦炉的工艺要求，同时总成本最低。
2.1 约束条件怎么列：热值、硫分、灰熔点、挥发分硬约束
首先要明确哪些煤质指标会进入约束方程。火电配煤和焦化配煤关注点略有差异，但基本指标是通用的：
| 指标 | 常用符号 | 单位 | 对生产的影响 |
|---|---|---|---|
| 收到基低位发热量 | Qnet,ar | MJ/kg | 决定混煤整体发热能力，影响锅炉负荷 |
| 干燥基全硫 | St,d | % | 环保排放限值、设备腐蚀、脱硫成本 |
| 干燥无灰基挥发分 | Vdaf | % | 影响着火稳定性、制粉系统防爆 |
| 灰分 | Aar | % | 制粉磨损、排渣量、除灰成本 |
| 灰熔点 | ST | ℃ | 判断炉膛结焦倾向，通常要求不低于某下限 |
设 xi 为第 i 种煤在混煤中的质量占比，Qi、Si、Vi、STi 分别为对应的煤质指标，约束方程组可以写成：
总热值: Σ xi·Qi ≥ Q_min 总硫分: Σ xi·Si ≤ S_max 总挥发分: V_low ≤ Σ xi·Vi ≤ V_high 灰熔点: Σ xi·STi ≥ ST_min 质量守恒: Σ xi = 1，且 xi ≥ 0这里的 Q_min 不是锅炉设计热值，而是保证锅炉带满负荷的最低入炉热值。比如某 300MW 机组设计燃用热值 18.5 MJ/kg 的混煤，实际运行中 18.0 也能维持负荷，但低于 17.5 就会出现磨煤机出力不足、助燃用油量上升的问题。所以 Q_min 要按实际运行边界定，而不是直接抄设计手册。硫分上限 S_max 更多来自环保指标——部分地区要求入炉煤硫分不超过 0.8%，因为脱硫系统投运成本与入口硫分强相关。
挥发分约束最容易被人忽略。挥发分太低，煤粉着火温度升高，低负荷稳燃困难；挥发分太高，制粉系统自燃和爆炸风险增加。所以它往往是一个区间约束，而不是单边不等式。灰熔点约束在配高灰熔点和低灰熔点煤时尤其重要，单看某一煤种没问题，混合后灰熔点可能非等比例变化，初期可以按加权近似，实际运行中再修正。
2.2 成本目标函数与算法选型：为什么线性规划是起步阶段的可靠选择
目标函数很好理解：在满足上述约束的前提下，让混煤的单位燃料成本最低。
最小化: Σ xi·Pi，其中 Pi 为第 i 种煤的入厂价选算法是这个系统开发中最容易起争议的一步。很多方案汇报里直接上“神经网络”“遗传算法”，理由是配煤是非线性的。但我实际做下来，对于火电配煤这个场景，线性规划往往是最可靠的起点。原因有三点：
第一，约束关系大多是线性的——热值、硫分、挥发分、灰分的混算就是按配比加权，遗传算法能解的线性问题，单纯形法几毫秒就能解完，迭代次数的概念都不需要。第二，线性规划结果可解释。求解完成后可以反查对偶变量，明确告诉配煤师“现在是硫分约束在卡成本”，这种解释能力在化工现场极其重要。第三，数据需求量小。一个中型煤场一年能积累的有效配煤样本可能只有几百组，贸然上神经网络只会得到一个过拟合的黑匣子。
焦化配煤是例外。焦炭质量指标（CSR、CRI）和煤的粘结指数、Y 值之间确实存在强非线性关系，那种场景更适合用回归模型或遗传算法去拟合。下表是算法选型的参考判断：
| 算法 | 适用场景 | 为什么 |
|---|---|---|
| 线性规划 | 火电配煤，纯热值、硫分、挥发分约束 | 求解快、可解释、现场敢用 |
| 混合整数规划 | 涉及仓位数量、最小起配量 | 在 LP 基础上加 0/1 变量 |
| 遗传算法 | 焦化配煤，粘结指数与焦炭强度非线性 | 样本充足、关系复杂 |
| 神经网络 | 焦炭强度预测、配比效果回归 | 需要大量历史数据，且难以解释 |
如果项目周期只有一到两个月，先把线性规划版本跑通，比强行上智能算法更实际。精细化智能配煤系统的开发也应该遵循这个原则：算法为约束服务，而不是反过来。
3. 用 Python 实现一套可落地的配煤优化核心脚本
算法选型确定之后，接下来就是把约束写成代码。我一般用 Python 的 pandas 处理数据，scipy.optimize.linprog 做求解。这套组合不依赖商用求解器，开源环境就能跑，现场工程师也好接手。
3.1 煤质数据标准化：把化验单变成模型可用的输入
配煤系统要对接的数据源通常不是一份干净的数据表，而是从 LIMS 化验系统导出的 CSV，表头叫法不统一，单位也可能混用。第一步是清洗和标准化：
import pandas as pd # 从LIMS导出的CSV，编码可能是gbk，表头带空格，先做归一化 raw = pd.read_csv('coal_warehouse_2024.csv', encoding='gbk') raw.columns = [c.strip().lower() for c in raw.columns] # 只保留还有库存的煤种，已用完的批次不参与计算 raw = raw[raw['stock_tons'] > 0] # 热值单位统一：如果最大值>40，说明原始数据是kcal/kg，统一转成MJ/kg # 1 kcal/kg = 0.0041868 MJ/kg if raw['qnet_ar'].max() > 40: raw['qnet_ar'] = raw['qnet_ar'] * 0.0041868 # 硬性字段缺失的煤种直接剔除 # 热值、硫分、价格这3个字段缺失时，模型无法给出可信配比 hard_fields = ['qnet_ar', 'sulfur_st', 'price'] raw = raw.dropna(subset=hard_fields) # 挥发分缺失时，可以用同煤种最近一批次的值补齐，而不是直接删行 raw['volatile'] = raw.groupby('coal_name')['volatile'].ffill() print(f"有效参与配煤的煤种数: {len(raw)} 种")这段代码解决三个现场很常见的问题：字段名不一致、单位混用、缺值。表头归一化那行是关键——LIMS 导出的列名可能带不可见字符，直接影响后续按列名索引。单位判断用热值数值区间来推断，因为 MJ/kg 通常在 16~30 之间，kcal/kg 在 4000~6000 之间，用 max() 判断很可靠。这里的 encoding 参数用 gbk，是因为国内化验系统的导出文件大量使用中文编码，如果读取报 UnicodeDecodeError，要依次尝试 utf-8、gb18030。
3.2 线性规划主流程：用 scipy.optimize.linprog 跑出最小成本配比
数据清洗完成后，进入核心求解环节。这里用一个五煤种的示例数据演示完整的求解流程：
import numpy as np from scipy.optimize import linprog # 煤种数据: 煤种名, 热值(MJ/kg), 硫分(%), 挥发分(%), 价格(元/吨) coal_data = np.array([ ['神木烟煤', 23.5, 0.45, 28.5, 680], ['大同混煤', 21.8, 0.80, 26.0, 620], ['朔州煤', 19.5, 1.20, 24.0, 540], ['高硫无烟', 26.0, 2.80, 10.0, 610], ['低热褐煤', 16.8, 0.60, 30.0, 420], ]) names = coal_data[:, 0] qnet = coal_data[:, 1].astype(float) sulfur = coal_data[:, 2].astype(float) volatile = coal_data[:, 3].astype(float) price = coal_data[:, 4].astype(float) # 目标函数：最小化混煤总成本，即 min c^T x c = price # scipy linprog 的不等式约束默认形式是 A_ub @ x <= b_ub # 所以"大于等于"约束需要两边乘 -1 转换成小于等于 # 约束1: 热值 >= 18.5 MJ/kg -> -qnet @ x <= -18.5 # 约束2: 硫分 <= 0.8% -> sulfur @ x <= 0.8 # 约束3: 挥发分 >= 25% -> -volatile @ x <= -25 # 约束4: 挥发分 <= 33% -> volatile @ x <= 33 A_ub = np.array([ -qnet, sulfur, -volatile, volatile, ]) b_ub = np.array([-18.5, 0.8, -25, 33]) # 等式约束：各煤种配比之和必须等于 1 A_eq = np.ones((1, len(names))) b_eq = np.array([1.0]) # 变量边界：每一种煤的配比在 0 到 1 之间 bounds = [(0, 1)] * len(names) # method='highs' 是 SciPy 1.6+ 推荐的求解器，比原生的 simplex 数值稳定性更好 result = linprog(c, A_ub=A_ub, b_ub=b_ub, A_eq=A_eq, b_eq=b_eq, bounds=bounds, method='highs') print('求解状态:', result.message) print('最低混煤成本: %.2f 元/吨' % result.fun)这段代码里最容易出错的是约束方向。linprog 约定不等式是 A_ub @ x ≤ b_ub，所以“热值不低于 18.5”这种下限约束必须取负号。我在实际开发中见过不少同事在这里栽跟头，直接把 A_ub 写成 qnet、b_ub 写成 18.5，结果求解器报 Infeasible，或者给出一个完全相反的答案。建议每加一条约束就打印一次 A_ub 和 b_ub，人工确认方向。
method='highs' 这个参数值得说明。SciPy 1.6 之前默认是 interior-point 或 simplex，数值稳定性一般；highs 是 HiGHS 求解器的封装，处理这种几十个变量加几十条约束的小规模问题非常快，而且对病态约束的容错更好。现场如果 SciPy 版本过老，至少要升级到 1.11 以上再跑这套代码。
3.3 配比结果校验与指导单输出
求解完成不等于工作结束。把结果直接丢给现场，操作员会在第一分钟就发现配比小数位太多、称重设备跟不上。这一步要做两件事：回算混煤指标确认没有违反约束，然后输出一张现场能直接照做的指导单：
import pandas as pd # 筛掉配比小于万分之一的煤种，避免出现"掺0.01吨"这种无意义指令 valid_mask = result.x > 1e-6 mix_ratio = result.x[valid_mask] mix_names = names[valid_mask] # 回算混煤关键指标，确认没有任何约束被突破 qnet_mix = np.dot(qnet[valid_mask], mix_ratio) sulfur_mix = np.dot(sulfur[valid_mask], mix_ratio) volatile_mix = np.dot(volatile[valid_mask], mix_ratio) print(f"混煤热值: {qnet_mix:.3f} MJ/kg") print(f"混煤硫分: {sulfur_mix:.3f} %") print(f"混煤挥发分: {volatile_mix:.3f} %") # 输出指导单：按配比从大到小排列，方便现场按占比下料 guide = pd.DataFrame({ '煤种': mix_names, '配比': mix_ratio, }) guide['配比'] = guide['配比'].map(lambda x: f"{x*100:.2f}%") guide = guide.sort_values('配比', ascending=False) print(guide.to_string(index=False))回算这一步很多人偷懒不做，直接把 result.x 当最终结果。但线性规划求解器只会保证在数学上满足约束，不会保证你的数据本身没有录入错误。回算的意义在于用一个独立的数据处理流程验证结果，如果回算热值和约束设定值之间出现了大于 0.1 MJ/kg 的偏差，基本可以断定是原始数据或代码里某处系数写错了。指导单按配比降序输出，是因为现场掺配时大比例煤种先入仓，小比例煤种作为调整项，这个输出顺序能减少配错概率。
4. 精细化智能配煤系统的关键参数与数据治理
模型能跑通只是第一步。系统上线运行一段时间后，真正决定效果的是数据治理水平和参数维护机制。这一章我以现场最常踩的三个问题为例，讲清楚参数和数据是怎么影响模型结果的。
4.1 批次煤质动态修正：把“上周的煤”变成“今天的煤”
配煤系统开发中有一个普遍被低估的问题：煤质化验数据有时滞。采样、制样、化验各环节加起来通常需要 1~2 天，意味着今天用来求解的化验数据，反映的是煤入厂或上煤时的煤质。煤在煤场堆存期间，外在水分会蒸发或受降雨影响，收到基低位发热量随之变化。同一个煤种，入厂化验热值 22 MJ/kg，堆放一周后可能变成 20.8 MJ/kg。
我在系统里针对这个问题做了一个水分修正模块。根据煤场管理系统的堆存天数，对收到基发热量做动态调整：
def correct_qnet_by_moisture(qnet_ar, moisture_origin, moisture_now, ash_ar): """ 按水分变化修正低位发热量。 原理：收到基低位发热量与收到基水分近似线性相关， 水分每变化1个百分点，热值约变化 0.06~0.08 MJ/kg。 """ delta_m = moisture_now - moisture_origin correction = -0.07 * delta_m * (1 - ash_ar / 100) return qnet_ar + correction # 使用示例： # original_qnet = 22.0 # 入厂化验热值 # moisture_in = 8.0 # 入厂全水分 # moisture_now = 10.5 # 当前实测全水分，因降雨升高 # ash = 15.0 # corrected = correct_qnet_by_moisture(original_qnet, moisture_in, moisture_now, ash) # 修正后热值约 21.7 MJ/kg，比直接用入厂值更接近实际情况这个修正系数 0.07 不是拍脑袋来的，是统计了一个季度“入厂热值 vs 上煤前复检热值”的偏差后拟合出来的。不同煤种、不同堆场条件的系数差异较大，建议用自己场内的历史数据重新拟合。注意这里的热值只考虑了水分影响，没有考虑煤堆自燃氧化，那部分影响在短期系统中可以忽略。
4.2 硬约束与软约束：把环保要求做成不可逾越的红线
配煤模型里的约束条件并不是同等重要的。环保指标是红线，必须硬约束；热值则可以有商量余地。如果所有约束都设成硬约束，模型很容易无解。我建议把约束分两级：
硬约束包括硫分上限、灰分上限——这类指标超标就是环保处罚或设备损坏，没有谈判空间。软约束包括热值下限、灰熔点下限——热值差一点可以接受，顶多增加一点助燃油成本；灰熔点差几度，可以靠运行调整来补偿。软约束在数学上要表达成目标函数的一部分，而不是写成固定不等式。这样模型在无解时会自动选择“轻微违反热值约束”而不是直接崩溃。
# 软约束的表示方法：在目标函数里加入热值不足的惩罚项 # 原目标: min cost + lambda * max(0, Q_min - Q_mix) # 线性化方式：引入松弛变量 penalty，使得 Q_mix + penalty >= Q_min # 即: -qnet @ x + penalty <= -Q_min，同时把 penalty 加入目标函数 penalty_coef = 15.0 # 热值每缺1 MJ/kg，等价于每吨增加15元成本 # 扩充变量：x 后面追加一个松弛变量 penalty c_ext = np.append(price, penalty_coef) A_ub_ext = np.vstack([ A_ub, np.append(-qnet, 1), # 新增不等式: -Q@x + penalty <= -Q_min ]) b_ub_ext = np.append(b_ub, -18.5) # 松弛变量边界为0到正无穷 bounds_ext = bounds + [(0, None)] result_soft = linprog(c_ext, A_ub=A_ub_ext, b_ub=b_ub_ext, A_eq=A_eq, b_eq=b_eq, bounds=bounds_ext, method='highs')这段代码里 penalty_coef 的取值很关键。它代表“热值缺 1 MJ/kg 时，你愿意多花多少钱”。设得太大，模型会硬扛热值约束，起不到软约束的作用；设得太小，模型会牺牲热值换成本，入炉煤热值过低导致助燃油费用激增。我一般先用 10~20 这个区间试算，然后对比不同系数下混煤成本的变化，选择一个折中值。这个调参过程本质上是在“煤价与运行稳定性”之间找平衡。
4.3 配比变化率约束：防止模型输出的方案一天一个样
第二个现场痛点，是模型每天给出的配比波动过大。今天神木烟煤配 35%，明天变成 20%，后天又叫 40%。从数学上看，每天的约束和煤价没变，结果应该稳定；但实际上化验数据会微调，约束边界略有变化就会让线性规划的最优解跳到另一个顶点。配煤师很难接受这种无序波动，因为现场的煤场堆积、输煤皮带切换都需要时间。
解法是增加配比变化率约束，限制每个煤种相对上一期配比的最大变化幅度：
# prev_ratio 是上一期配比结果，delta 是该煤种允许的最大单期变化量 # 约束: |x_i - prev_ratio_i| <= delta_i # 拆成两个不等式: # x_i - prev_ratio_i <= delta_i # -x_i + prev_ratio_i <= delta_i delta = 0.05 # 单期配比变化不超过5个百分点 prev_ratio = np.array([0.35, 0.20, 0.15, 0.10, 0.20]) # 假设上一期配比 A_chg = np.vstack([ np.eye(len(names)), -np.eye(len(names)), ]) b_chg = np.hstack([ prev_ratio + delta, -prev_ratio + delta, ]) A_ub_all = np.vstack([A_ub_ext, A_chg]) b_ub_all = np.hstack([b_ub_ext, b_chg]) result_stable = linprog(c_ext, A_ub=A_ub_all, b_ub=b_ub_all, A_eq=A_eq, b_eq=b_eq, bounds=bounds_ext, method='highs')delta 取 5 个百分点是我常用的初值。太小会让模型失去响应煤质波动的能力，太大就起不到稳定配比的作用。一个值得做的改进是让 delta 随库存量变化：某煤种库存充足时可以放宽变化幅度，库存偏低时收紧，避免系统频繁打出小库存煤种的高配比方案。
5. 智能配煤系统开发避坑与常见问题排查
配煤系统开发的坑，大多数不在算法本身，而在数据、流程和现场执行。以下是几条我反复遇到的典型问题。
5.1 化验数据滞后，系统输出的是“上周的煤”
现象：系统建议配比中用了某个煤种，但现场反馈该煤种已经用完，或者煤质已经变化。
原因：模型读取的是入库化验数据，而实际配煤时用的是当前煤场堆存状态。煤场清底、新煤入场、煤堆积水蒸发，都会让实际煤质与入库数据脱节。
解决：在系统中增加库存同步接口，每天定时从煤场管理系统更新各煤种剩余量和堆存天数。堆存超过 7 天的煤种，自动套用水分修正系数后再进入模型。这个动作看起来简单，但需要煤场管理人员把“每批煤的入库时间”录准确，否则修正就是拿错误数据做处理。
5.2 约束互相打架，模型无解但配煤师说手工能配
现象：linprog 返回 Infeasible，提示模型无解。配煤师拿过去手工算了一下，说“抠出 2% 的配比给褐煤，完全可以满足”。
原因：线性规划无解通常不是真的不存在可行解，而是某两条约束在边界上互相排斥。最常见的是硫分上限设太严，同时挥发分下限设太高——高挥发分煤往往硫分也高，两头一夹就无解。
解决：先做约束松弛诊断，打印每个约束在当前最优基底下的影子价格，看哪个约束对结果影响最大。我的调试顺序是：先放宽挥发分约束，再看硫分上限，最后调节热值下限。如果仍然无解，检查是否有煤种配比下限设成了 0.5 这种不合理值，下限约束和总量约束冲突也是无解的常见来源。
5.3 模型预测热值准确，实际入炉热值总偏差
现象：系统回算热值 18.6 MJ/kg，实际锅炉侧计算入炉热值只有 18.1，连续一周稳定偏低。
原因：回算是按配比线性加权，但实际掺配过程并不是理想均匀混合。皮带秤给料偏差、两种煤密度差异导致落料分层、煤场取料时混入底料，都会让实际入炉热值低于理论值。
解决：入炉热值偏差超过 0.3 MJ/kg 时，对模型增加一个固定修正系数——把 Q_min 提高 0.3 或目标约束加 0.3 的余量。这个方法很土，但有效。更重要的是建立入炉热值台账，用每班的锅炉实际热值反算修正系数，而不是每隔几个月拍脑袋调一次。
5.4 配比小数位太精细，现场称重设备跟不上
现象：模型输出“神木烟煤 34.73%”，现场皮带秤精度只有 ±1%，操作员不知道是称 34.7 还是 35。
原因：线性规划可以给出任意小数位的结果，但现场掺配设备的精度根本没有那么高。过度精确的指令反而暴露了系统脱离现场。
解决：在输出指导单前做配比整定——把配比按 0.5% 取整，然后重新回算约束，看是否仍然满足。如果不满足，再调整一次。这个过程相当于在精确解附近找一个工程可执行的近似解。也可以在模型里给每个煤种加最小配比约束，小于 3% 的煤种直接剔除，避免现场为掺一点点煤单独停一条皮带。
5.5 系统上线三个月，配煤师依然按自己的经验配煤
现象：系统每天输出方案，但现场实际配比从来不完全照单执行，系统形同虚设。
原因：信任问题。配煤师担心系统推荐的低成本方案会带来看不见的风险——比如结焦、稳燃裕度下降，这些风险在线性规划的约束里没有完全表达。
解决：让配煤师参与约束设置过程，把他们的“保底要求”写成显式约束加进模型。比如“某种高灰熔点煤必须配 20% 以上”“硫分必须留 0.1% 的余量”。这样系统给出的结果至少不会触碰现场人员的红线。同时做几个月的并行试运行，把系统方案的指标回算值和人工配煤的实测值做对比，用数据让现场人员建立信任。
6. 让配煤系统持续有效：从离线优化到在线闭环的验证方法
配煤系统不是部署完就结束，它需要持续验证和迭代。我的习惯是分三个阶段推进。
6.1 历史数据回测：先证明模型比人工配煤好
上线前，用过去三个月的煤质数据、煤价和实际配煤方案做回测。把历史煤价和库存数据喂给模型，算出模型给出的配比和成本，和当时人工配煤的成本做对比。这个对比能直观回答“系统值不值得用”。如果模型比人工成本低 3% 以上，推进阻力会小很多；如果差别不大，说明当时的约束设置可能过于保守，需要回头检查约束边界。
6.2 现场试配：用小批次验证模型结果
回测通过后，不要直接全量切换。建议先做一周的现场试配，每天按系统配比输出指导单，安排一个 500 吨的小批次混煤作为验证对象。重点记录掺配过程中的实际下料比例、入炉热值实测值和锅炉运行参数。这期间不要同时调整配比变化率约束，先让现场熟悉系统的输出风格。
6.3 建立热值偏差台账，持续迭代修正系数
我的习惯是维护一份偏差表，记录了每一天“系统预测热值 vs 锅炉实际反算热值”的差异。运行一个月后，把平均偏差反馈回模型：如果硫分预测也持续偏高，就检查化验采样环节是否系统性失真。这台偏差台账是系统迭代最重要的依据，每次版本升级前先看这份数据，而不是凭感觉调参数。迭代的重点通常还是落在水分修正系数和软约束惩罚系数上。做配煤系统四年下来，我最大的体会是算法只占三分，数据治理、现场协同和持续验证占七分——希望这套方法能帮你少走弯路。
本文还有配套的精品资源，点击获取
